الخوارزمية الرئيسية
-بقلم: بيدرو دومينغوس
كيف سيعيد البحث عن آلة التعلم النهائية عالمنا. وفقًا لبيدرو دومينغوس ، فإن أحد أعظم أسرار الكون ليس كيف يبدأ أو ينتهي ، أو ما هي الخيوط اللانهائية المنسوجة منه, هذا ما يدور في ذهن طفل صغير: كيف يمكن أن ينمو رطل من الهلام الرمادي إلى مقعد للوعي. والأكثر إثارة للدهشة هو قلة الدور الذي يلعبه الآباء في تعليم الدماغ أن يمر بهذا التحول ، لأنه يفعل كل شيء بمفرده إلى حد كبير. اليوم ، يعمل العلماء ومهندسو الكمبيوتر والمزيد من أجل آلة يمكنها أن تفعل بالضبط ما يفعله دماغ الإنسان: التعلم. مع كل تقنيات اليوم ، قد تصبح الآلات يومًا ما أكثر ذكاءً من دماغ الإنسان. يمكن لأجهزة الكمبيوتر التعلم من مجموعات كبيرة من البيانات التي قد لا ندرك حتى أنها يتم جمعها. هذا يعني أن مستقبلنا يمكن أن تدار بالتكنولوجيا ، وتغيير الطريقة التي نعيش بها ونتفاعل مع بعضنا البعض. أثناء القراءة ، ستتعلم كيف ستكون الآلات يومًا ما مثل دماغ الإنسان ، وكيف لا يوجد شيء مثل خوارزمية مثالية, وكيف أن الخوارزمية الرئيسية في طريقها إلى الإنشاء.
المقدمة
التعلم الآلي في كل مكان في الوقت الحاضر ، حتى في الأماكن التي لا تعرفها! على سبيل المثال ، عند كتابة استعلام في محرك بحث ، فإن التعلم الآلي هو كيف يكتشف المحرك النتائج التي يجب أن تظهر لك. عندما تفتح بريدك الإلكتروني ، لا ترى البريد العشوائي لأن التعلم الآلي قام بتصفيته. عندما تذهب إلى Amazon.com أو Netflix ، يوصي نظام التعلم الآلي بالمنتجات أو الأفلام التي قد تعجبك. حتى مواقع التواصل الاجتماعي مثل Facebook و Instagram تستخدم التعلم الآلي لتحديد الملفات الشخصية التي ستراها والتحديثات التي ستقرأها. اليوم ، خوارزميات التعلم الآلي ، والمعروفة أيضًا باسم المتعلمين ، قادرة على إجراء استنتاجات حول ما تريد رؤيته والمنتجات التي تريد شرائها عن طريق إجراء استنتاجات من البيانات. كلما زاد عدد البيانات التي لديهم ، كان الحصول عليها أفضل! تم العثور على التعلم الآلي في أكثر من مجرد جهاز كمبيوتر ؛ في الواقع ، من المحتمل أن يكون يومك بأكمله مشبعًا به. فكر في الأمر. ربما ينطلق راديو ساعتك في الساعة 7: 00 صباحًا ويلعب قائمة تشغيل من Pandora. بينما تستمع إلى الموسيقى من خلال التطبيق ، تواصل Pandora تعلم أذواقك في الموسيقى بفضل التعلم الآلي. بعد ذلك ، أثناء القيادة للعمل ، تستمر سيارتك في ضبط حقن الوقود وإعادة تدوير العادم للحصول على أفضل عدد من الأميال الغازية. يمكنك حتى استخدام تطبيق مثل خرائط Google للتنبؤ بحركة المرور في رحلتك.
هاتفك الخلوي نفسه مليء بخوارزميات التعلم. يقوم بتصحيح الأخطاء المطبعية الخاصة بك ، ويفهم الأوامر المنطوقة ، ويتعرف على الرموز الشريطية ، وأكثر من ذلك بكثير. في العمل ، يقوم بريدك الإلكتروني بفرز نفسه إلى مجلدات ، تاركًا فقط أهم الرسائل في بريدك الوارد. يتحقق معالج النصوص الخاص بك من القواعد اللغوية والإملاء. عندما تتوجه إلى السوبر ماركت بعد العمل ، يتم وضع الممرات التي تمشي عليها بطريقة محددة بمساعدة خوارزميات التعلم. ويحدد السلع التي سيتم تخزينها وأي شاشات نهاية الممر التي سيتم إعدادها. يتطلب الدفع باستخدام رصيد خوارزمية تعلم لتحديد ما إذا كان يمكنك الموافقة عليك أم لا. عندما تصل إلى المنزل ، يتم توجيه الرسائل الموجودة في صندوق البريد الخاص بك إليك عن طريق خوارزمية تعلم يمكنها قراءة العناوين المكتوبة بخط اليد. يتم تحديد بريدك غير الهام لك من خلال خوارزميات التعلم الأخرى. هذه الأمثلة ليست سوى البداية. تتغير التكنولوجيا باستمرار ، مما يجعل التعلم الآلي أكثر تعقيدًا من أي وقت مضى ، وربما يصبح ذكيًا مثل الدماغ البشري. لذلك إذا كنت على استعداد لاستكشاف العالم الآسر للخوارزميات والتعلم الآلي ، فلنبدأ.
الفصل الاول: يمكن أن تتعلم الآلة جميع مشاكلنا المستقبلية
اليوم ، تم نسج الخوارزميات في نسيج الحياة اليومية ولم تعد تستخدم فقط في هاتفك الخلوي والكمبيوتر المحمول بعد الآن ، فهي تستخدم في سيارتك ومنزلك وأجهزتك, و اكثر. يقومون بجدولة الرحلات الجوية ثم يحلقون بالطائرات. يديرون المصانع ، ويتداولون ويوجهون البضائع ، وينفقون العائدات ، ويحفظون السجلات. إذا توقفت كل خوارزمية عن العمل فجأة ، فإن عالمنا سيتبع ويتوقف عن العمل أيضًا. ولكن ما هي الخوارزمية على أي حال؟ إنها سلسلة من التعليمات التي تخبر الكمبيوتر بما يجب القيام به.
يتكون الكمبيوتر من مليارات المفاتيح التي تسمى الترانزستورات والخوارزميات ثم قم بتشغيل هذه المفاتيح وإيقاف تشغيلها بمليارات المرات في الثانية. من خلال قلب المفتاح ، تتواصل الترانزستورات مع بعضها البعض باستخدام المنطق المنطقي. على سبيل المثال ، إذا تم تشغيل الترانزستور A فقط عندما يكون الترانزستورات B و C قيد التشغيل ، فعندئذٍ تقوم بعمل جزء صغير من المنطق المنطقي. إذا تم تشغيل A عند تشغيل B أو C ، فهذه عملية منطقية صغيرة أخرى. وإذا تم تشغيل A عند إيقاف تشغيل B ، والعكس صحيح ، فهذه هي العملية الثالثة. في النهاية ، يمكن تقليل كل خوارزمية ، حتى تلك المعقدة ، إلى ثلاث عمليات: و ، أو ، وليس. عندما نجمع بين هذه العمليات ، يمكننا البدء في تنفيذ سلاسل معقدة من المنطق المنطقي.
الخوارزمية ، مع ذلك ، ليست مجرد مجموعة بسيطة من التعليمات. يجب أن تكون دقيقة ولا لبس فيها. على سبيل المثال ، عندما تتبع وصفة لخبز ملفات تعريف الارتباط ، فأنت لا تستخدم خوارزمية. يعرف أي شخص اتبع وصفة ملف تعريف الارتباط أن النتيجة قد تكون لذيذة أو كارثة كاملة. على العكس من ذلك ، تنتج الخوارزمية دائمًا نفس النتيجة. بالإضافة إلى ذلك ، تحتوي كل خوارزمية على إدخال وإخراج ؛ أي أنها مصممة لتحقيق نتيجة بناءً على المعلومات المقدمة. لكن التعلم الآلي يفعل المزيد. يتم إعطاؤهم معلومات كمدخل وإنتاج خوارزمية أخرى كمخرج!
وبعبارة أخرى ، يمكن لأجهزة الكمبيوتر كتابة برامجها الخاصة. في الواقع ، يمكن لأجهزة الكمبيوتر تعلم البرامج التي لا يستطيع الناس حتى كتابتها. على سبيل المثال ، عندما نقوم بفك رموز الكتابة اليدوية ، نقوم بذلك دون وعي ، لا يمكنك وضع الكلمات في العملية التي تمر بها بالضبط. لحسن الحظ ، مع التعلم الآلي ، ليس عليك ذلك. يمكنك ببساطة إعطاء أمثلة خوارزمية التعلم الآلي للنص المكتوب بخط اليد كمدخل ، ومعنى النص كمخرج مرغوب فيه. ستقوم الخوارزمية بعد ذلك بتحويل أحدهما إلى الآخر! بمجرد تعلمها ، يمكن استخدام الخوارزمية كلما أردت فك الكتابة اليدوية تلقائيًا. هذه هي الطريقة التي يقرأ بها مكتب البريد الرموز البريدية ولماذا تسير السيارات ذاتية القيادة في الطريق.
يتطلب التعلم الآلي بعض الأشياء فقط ، وأهمها البيانات. كلما زادت البيانات ، كلما تعلمت أكثر. بالنظر إلى البيانات الكافية ، يمكن لبرنامج التعلم حل أي مشكلة تقريبًا. والأكثر من ذلك ، يمكن للتعلم الآلي استخدام نفس الخوارزميات لحل المشكلات المختلفة غير ذات الصلة. عادة ، إذا كان لديك مشكلتان مختلفتان لحلهما ، فأنت بحاجة إلى كتابة برنامجين مختلفين. التعلم الآلي مختلف. ولكن هل يمكن لمتعلم واحد أن يفعل كل شيء؟ هل يمكن لخوارزمية واحدة أن تتعلم كل ما يمكن تعلمه من البيانات؟ هل الخوارزمية الرئيسية هي الحل لجميع مشاكلنا؟
الفصل الثاني: قوة الغورث وكيفية منعهم من العثور على العديد من الربتات
مع كل الأبحاث التي أجريناها حول التعلم الآلي ، حدد العلماء “القبائل” الرئيسية ، حيث يتعامل كل واحد مع المشاكل بشكل مختلف ويتم تعريفه من خلال مجموعة من المعتقدات الأساسية. الأول هو الرمزيون ، الذين يعتقدون أنه يمكن اختزال الذكاء إلى التلاعب بالرموز ، بنفس الطريقة التي يحل بها علماء الرياضيات المعادلات عن طريق استبدال التعبيرات بتعبيرات أخرى. كما أنهم يفهمون أنه لا يمكنك التعلم من الصفر ؛ بدلاً من ذلك ، تحتاج إلى بعض المعرفة الأولية لتتوافق مع البيانات. لذلك ، اكتشف الرمزيون كيفية دمج المعرفة الموجودة مسبقًا في التعلم وكيفية الجمع بين أجزاء مختلفة من المعرفة لحل المشكلات الجديدة.
المؤثر الرئيسي للقبيلة الرمزية هو ديفيد هيوم ، أحد أعظم التجريبيين والفلاسفة الناطقين بالإنجليزية في كل العصور – “قديس الرماة ولد هيوم في اسكتلندا عام 1711 ، وقضى معظم وقته في فضح أساطير عصره. سأل السؤال العميق ، “كيف يمكن تبريرنا في التعميم من ما رأيناه إلى ما لم نفعله بمعنى ما ، كل خوارزمية تعلم هي محاولة للإجابة على هذا السؤال. بعد 250 عامًا من طرح هيوم هذا السؤال ، ابتكر الفيزيائي ديفيد وولبرت “نظرية الغداء المجانية,”الذي يضع حدًا أساسيًا لمدى جودة المتعلم.
في التعلم الآلي ، تحتاج إلى أمثلة إيجابية وأمثلة سلبية. على سبيل المثال ، إذا كنت تحاول تعلم التعرف على القطط في الصور ، فإن صور القطط هي أمثلة إيجابية ، وصور الكلاب هي صور سلبية. ومع ذلك ، فإن خوارزميات التعلم هذه عرضة للتناسب المفرط لأنها تتمتع بسعة غير محدودة تقريبًا للعثور على أنماط في البيانات. وإذا بحثت بما فيه الكفاية ، يمكنك العثور على أي شيء هو قوته وضعفه. على سبيل المثال ، في عام 1998 ، ادعى قانون الكتاب المقدس أن الكتاب المقدس يحتوي على تنبؤات للأحداث المستقبلية التي يمكنك العثور عليها عن طريق تخطي الرسائل على فترات منتظمة وتجميع الكلمات من تلك الرسائل. أظهر النقاد أنه يمكن العثور على هذه التوقعات في أي نص طويل تقريبًا وأثبتوا حجتهم من خلال إيجاد أنماط في أحكام موبي ديك والمحكمة العليا.
هذا مثال على الأنماط الزائدة أو الهلوسة ، والتي تحدث عندما تكون الخوارزمية قوية جدًا بحيث يمكنها تعلم أي شيء. ببساطة أكبر ، فإن مجموعة بيانات كبيرة مثل الكتاب المقدس ستنتج دائمًا أنماطًا. المفتاح هو السيطرة على الخوارزميات الخاصة بك عن طريق الحد من تعقيدها ووضع القيود. مع التقييد الصحيح ، يمكنك التأكد من أن نطاق الخوارزمية ليس واسعًا جدًا ، مما يؤدي إلى نتائج متسقة. من ناحية أخرى ، إذا كانت مرنة للغاية ، فقد ينتهي بك الأمر بشيء مثل رمز الكتاب المقدس الذي يجد أنماطًا في أي مجموعة معينة من البيانات. ولكن كيف تقرر ما إذا كنت ستصدق ما يخبرك به المتعلم؟
المفتاح هو أنك لا تصدق أي شيء حتى تتحقق من النتائج. للقيام بذلك ، “تأخذ البيانات التي لديك وتقسمها بشكل عشوائي إلى مجموعة تدريب ، والتي تقدمها للمتعلم ، ومجموعة اختبار, التي تخفيها عنها وتستخدمها للتحقق من دقتها. الدقة في البيانات المحتفظ بها هي المعيار الذهبي في التعلم الآلي
الفصل الثالث: يمكن استخدام أشجار القرار لمنع الإفراط في التجهيز وهي مؤلمة بشكل لا يصدق
الرموز هي أقدم فرع لمجتمع الذكاء الاصطناعي. إنهم عقلانيون وبالتالي يعتمدون على الأساليب المنطقية للذكاء. لهذا السبب ، يفضل الرمزيون خوارزميات الخصم العكسي. يخلق الخصم العكسي قواعد عن طريق ربط عبارات منفصلة. على سبيل المثال ، إذا كان لديك عبارة “سقراط إنسان” و “لذلك سقراط بشر” ، يمكن للخوارزمية الوصول إلى عبارات أوسع ، مثل “جميع البشر بشر من ناحية أخرى ، نحن لا نحث على أن جميع البشر بشر لأن هناك العديد من المخلوقات البشرية الأخرى ، مثل القطط والكلاب.
اليوم ، يلعب الخصم العكسي دورًا مهمًا في التنبؤ بما إذا كانت الأدوية الجديدة سيكون لها آثار جانبية ضارة. عندما يمكنك التعميم من الهياكل الجزيئية السامة المعروفة ، يمكنك تشكيل قواعد تتخلص بسرعة من العديد من المركبات الواعدة على ما يبدو ، مما يزيد بشكل كبير من فرص التجارب الناجحة على ما تبقى. علاوة على ذلك ، من خلال هذه المعرفة ، يمكننا البدء في التنبؤ بالأدوية التي ستعمل ضد جينات السرطان. في حين أن هذا يبدو واعدًا ، لا تزال هناك العديد من القيود عندما يتعلق الأمر بالخصومات العكسية ؛ أحد هذه القيود هو أنه من المكلف وغير الفعال العمل مع مجموعات البيانات الضخمة.
لهذه ، تستخدم الخوارزمية الرمزية تحريض شجرة القرار. تستخدم أشجار القرار خوارزمية “فرق تسد” لتفرع البيانات إلى مجموعات أصغر. بشكل أساسي ، يلعبون لعبة مكونة من 20 سؤالًا لزيادة تضييق الخيارات والإمكانيات. الخطوة الأولى هي اختيار سمة للاختبار في الجذر ، مثل الاختبار لتحديد ما إذا كنت جمهوريًا أو ديمقراطيًا أو مستقلًا. من هناك ، ستركز على الأمثلة التي تنزل في كل فرع ثم تختار الاختبار التالي. أحد الأمثلة هو التحقق مما إذا كان القواطع الضريبية مؤيدة للحياة أو مؤيدة للاختيار. ثم تكرر هذا لكل فرع جديد حتى تحتوي جميع الأمثلة على نفس الفئة ، في تلك المرحلة ، تقوم ببساطة بتسمية الفرع بالفئة التي تختبرها: ديمقراطي ، جمهوري, أو مستقل.
أشجار القرار هي طريقة رائعة للاستخدام لمنع التجهيز الزائد. من خلال تقييد عدد الأسئلة التي تطرحها شجرة القرار ، يمكن تطبيق القواعد الأكثر انتشارًا والعامة فقط. نرى أشجار القرار في كثير من الأحيان في البرامج التي تقوم بالتشخيص الطبي عن طريق تضييق أعراض المريض. بالإضافة إلى ذلك ، يمكن أن تكون أشجار القرار أكثر دقة من البشر. على سبيل المثال ، في عام 2002 ، كشفت منافسة وجها لوجه أن أشجار القرار تنبأت بشكل صحيح بقواعد المحكمة العليا 75 % ، في حين حصلت لجنة من الخبراء على أقل من 60 % صحيحة.
الفصل الرابع: تبسيط الافتراضات التي تمنع الغرور المتزامن من الإفراط
قبيلة شعبية أخرى وفرع التعلم الآلي هي Bayesianism. البايزيون هم تجريبيون ، مما يعني أنهم يعتقدون أن كل المنطق غير قابل للخطأ وأن المعرفة يجب أن تأتي من الملاحظة والتجريب. يعتقدون أن كل المعرفة المكتسبة غير مؤكدة ، وتعلم نفسه هو شكل من أشكال الاستدلال غير المؤكد. تصبح المشكلة بعد ذلك كيفية التعامل مع المعلومات الصاخبة وغير الكاملة والمتناقضة. الجواب عن Bayesians هو نظرية Bayes ، التي تخبرنا عن كيفية دمج أدلة جديدة في معتقداتنا.
يعمل هذا النهج بشكل جيد بشكل خاص للتشخيص الطبي. على سبيل المثال ، إذا كان الاختبار إيجابيًا للإيدز ، فإن احتمال حدوثه يرتفع. عند إضافة نتائج اختبارات متعددة ، سيؤدي دمجها إلى انفجار توافقي ؛ لذلك ، ستحتاج إلى عمل افتراضات مبسطة. علاوة على ذلك ، يجب عليك التفكير في العديد من الفرضيات في وقت واحد ، مثل جميع التشخيصات الممكنة المختلفة للمريض. يمكن أن يستغرق حساب احتمالية كل مرض من أعراض المريض الكثير من الوقت ، لذلك هنا حيث يكون تعلم طريقة بايزي مفيدًا. باستخدام صيغة سبب وتأثير بسيطة ، يصبح الاستدلال البايزي خوارزمية قوية.
على سبيل المثال ، عند إجراء تشخيص الأنفلونزا ، لا يقوم الطبيب بذلك بناءً على عرض واحد ، مثل الإصابة بالحمى. بدلاً من ذلك ، تأخذ العديد من الأعراض في الاعتبار ، بما في ذلك ما إذا كان لديك سعال ، والتهاب في الحلق ، وسيلان الأنف ، وصداع ، وقشعريرة ، والمزيد. لذلك ، يقوم الطبيب بتبسيط الافتراضات التي تقلل من عدد الاحتمالات إلى شيء أكثر قابلية للإدارة. هذا الافتراض المقيد هو افتراض أن هناك أعراضان لا تؤثران على بعضهما البعض ، مما يعني أن السعال لا يؤثر على فرصك في الإصابة بالحمى أيضًا. بهذه الطريقة ، يتجنب الاستدلال البايزي التجاوز من خلال التركيز الصارم على العلاقة بين السبب والنتيجة.
يتم استخدام الافتراضات مثل هذا أيضًا بواسطة برنامج التعرف على الصوت مثل Siri. تخيل أنك قلت للتو “اتصل بالشرطة” ، ثم ينظر سيري في احتمال قول “أخبر” بدلاً من “اتصل” أو “من فضلك” بدلاً من “الشرطة بشكل فردي ، من المرجح أن الكلمات هي الاتصال ، و ، ورجاء. لكن الجملة “اتصل بالرجاء” تشكل جملة لا معنى لها ، لذا مع أخذ الكلمات الأخرى في الاعتبار ، يخلص سيري إلى أن الجملة هي في الواقع “اتصل بالشرطة” وتجري المكالمة.
الفصل الخامس: تجميع الغدد والشبكات الطبيعية هي طرق فعالة للتحرير من خلال البيانات
عندما تصبح والدًا ، ترى فجأة سر التعلم يتكشف أمام عينيك في السنوات الثلاث الأولى من حياة طفلك. لا يستطيع المولود الحديث التحدث أو المشي أو التعرف على الأشياء. ولكن شهرًا بعد شهر ، يواصل الطفل اتخاذ خطوات صغيرة وكبيرة نحو معرفة كيفية عمل العالم. وبحلول عيد ميلاد الطفل الثالث ، خلق كل هذا التعلم نفسًا مستقرة نما فيها العقل إلى تيار من الوعي سيستمر طوال الحياة. هذه الظاهرة هي التي تقربنا خطوة واحدة من الخوارزمية الرئيسية.
عندما نكبر ، ننظم العالم إلى أشياء وفئات. ما نحتاجه هو خوارزمية تجمع تلقائيًا كائنات متشابهة أو صور مختلفة لنفس الكائن. يمكن استخدام هذه الأنواع من الخوارزميات في برنامج التعرف على الصور أو عزل الصوت ، والذي يحدد الوجه أو الكائن بين ملايين البكسل. وبالمثل ، فإن كل شيء تنقر عليه في Amazon يوفر قطعة من المعلومات عنك. شيئًا فشيئًا ، تضيف كل هذه النقرات لتشكيل صورة لذوقك ، بنفس الطريقة التي تضيف بها كل هذه البكسل إلى صورة لوجهك.
كما ترى ، الوجه يحتوي على حوالي خمسين عضلة فقط. شكل العين والأنف والفم وما إلى ذلك يحتوي فقط على حوالي 10 اختلافات مختلفة لكل ميزة, هذه هي الطريقة التي يمكن بها لفنان رسم الشرطة أن يضع رسمًا لمشتبه به جيد بما يكفي للتعرف عليه. من خلال حفظ هذه الاختلافات العشرة المختلفة ، فإنها تضيق خياراتها وتجعل من الممكن إنتاج رسم بناءً على وصف واحد. وبالمثل ، تحتاج خوارزميات التعرف على الوجه فقط إلى مقارنة بضع مئات من المتغيرات مقابل مليون بكسل.
وأخيرًا ، هناك أداة فعالة أخرى لفحص كميات كبيرة من البيانات الخام وهي الشبكات العصبية. من خلال استخدام أجهزة الترميز الآلي المكدسة ، يمكن للمتعلمين العمل كدماغ ومعالجة مدخلات متعددة في نفس الوقت. من خلال الخلايا العصبية غير الخطية ، تتعلم كل طبقة مخفية تمثيلًا أكثر تعقيدًا للمدخلات ، بناءً على الطبقة السابقة. على سبيل المثال ، “عند إعطاء مجموعة كبيرة من صور الوجه ، تتعلم الطبقة الأولى ترميز الميزات المحلية مثل الزوايا والبقع, يستخدم الثاني تلك لترميز ملامح الوجه مثل طرف الأنف أو قزحية العين ، والثالث يتعلم أنوف وعينين كاملتين ، وما إلى ذلك. أخيرًا ، يمكن أن تكون الطبقة العليا تصورًا تقليديًا يتعلم التعرف على شخص ما ، دعنا نقول جدتك ، من الميزات عالية المستوى التي توفرها الطبقة تحتها
واحدة من أكبر الشبكات العصبية التي تم إنشاؤها كانت شبكة Google Brain ، والتي تتكون من شطيرة من تسع طبقات من أجهزة التعقيم الآلي التي تعلمت التعرف على القطط من مقاطع فيديو YouTube. مع مليار اتصال ، كانت أكبر شبكة تم تعلمها على الإطلاق في ذلك الوقت. أحد مديري المشروع ، أندرو نغ ، هو أحد المؤيدين الرئيسيين لفكرة أنه يمكن اختصار الذكاء البشري إلى خوارزمية واحدة, ونحن ببساطة بحاجة لمعرفة ذلك! هذه الرموز التلقائية المكدسة أقرب خطوة واحدة إلى حل الذكاء الاصطناعي.
الفصل السادس: أعمال شراء البيانات
لماذا تساوي Google أكثر بكثير من Yahoo؟ إذا نظرت إلى ما يفعلونه ، فإن كلاهما يفعل نفس الشيء بشكل أساسي. كلاهما يعرضان إعلانات على الويب ، وكلاهما من أفضل الوجهات ، وكلاهما يستخدم المزادات لبيع الإعلانات والتعلم الآلي للتنبؤ بمدى احتمالية قيام المستخدم بالنقر فوق إعلان. ولكن هناك فرق واحد. خوارزميات التعلم من Google أفضل بكثير من خوارزميات Yahoo. اليوم ، الشركة التي لديها أفضل الخوارزميات هي الشركة التي ستكون الأكثر نجاحًا.
في كل سوق ، يحتاج المنتجون والمستهلكون إلى الاتصال قبل أن يرغب المستهلك في إجراء معاملة. في أيام ما قبل الإنترنت ، كانت العقبات التي واجهتها الشركات مادية ، مثل عدم وجود مساحة كافية للمنتجات الجديدة. اليوم ، تصبح المشكلة العدد الهائل من الخيارات. كيف تتصفح رفوف مكتبة بها ملايين العناوين للبيع؟ يمكننا تطبيق هذا على جميع السلع الأخرى أيضًا ، مثل الأحذية وغرف الفنادق والاستثمارات وحتى الموسيقى والأخبار ومقاطع الفيديو. حتى أنه ينطبق على أولئك الذين يبحثون عن وظيفة أو تاريخ. كيف تجد بعضها البعض؟
يساعد التعلم الآلي على تضييق خياراتنا. تقدم أمازون ، على سبيل المثال ، اقتراحات حول المنتجات التي قد يحبها العملاء بناءً على النقرات. والأفضل من ذلك ، أن خدمتهم تغطي كل سوق يمكنك التفكير فيه. بينما تقود أمازون السباق في خوارزميات التعلم ، هناك سباق مجنون لجمع البيانات عنك. الجميع يحب بياناتك ، إنها بوابة عالمك ، أموالك ، تصويتك ، وحتى قلبك. لكن كل شخص لديه جزء صغير منه فقط. ترى Google عمليات البحث الخاصة بك ، وترى Amazon مشترياتك ، ومحادثات AT&T الخاصة بك الهاتفية ، و Capital One ومعاملات بطاقة الائتمان الخاصة بك ، والمزيد. لا توجد شركة لديها صورة كاملة لك ، وهي جيدة وسيئة. من الواضح أنه جيد لأنه إذا كان شخص ما يعرف كل شيء عنك ، فسيكون لديه الكثير من القوة. هذا أمر سيئ ، لأنه لن يكون هناك نموذج 360 درجة لك.
يمكن أن تكون بياناتك أصلًا هائلاً لشركة ، ولهذا السبب توجد قيمة في بياناتك. اليوم ، تبلغ قيمة المستخدم في صناعة الإعلان عبر الإنترنت حوالي $ 1200 في السنة. تبلغ قيمة شريحة بيانات Google حوالي $ 20 بينما تبلغ قيمة Facebook $ 5. نظرًا لأن البيانات تصبح النفط الجديد بشكل متزايد ، فإن بعض الشركات القائمة ترغب في استضافة الرقم الرقمي الخاص بك. ومع ذلك ، فإن شركات مثل Google و Facebook ليست أفضل الشركات لإيواء نفسك الرقمية بسبب تضارب المصالح: الإعلانات المستهدفة. تستخدم الشركتان إعلانات مستهدفة ، وبالتالي سيتعين عليهما تحقيق التوازن بين اهتمامك والمعلنين.
الحل لهذه المشكلة هو بنوك البيانات التي تحافظ على معلوماتك آمنة وتسمح لك بتحديد متى وكيف يتم الوصول إليها. فكر في النقابات العمالية في بداية القرن العشرين والتي بدأت في تحقيق التوازن بين قوة العمال والرؤساء. يحتاج القرن الحادي والعشرون إلى نقابات بيانات لسبب مماثل. سيسمح اتحاد البيانات لأعضائه بالمساومة على قدم المساواة مع الشركات حول استخدام بياناتهم. اليوم ، معظم الناس لا يدركون مقدار البيانات الموجودة عنهم وكيفية استخدامها. والأكثر من ذلك ، أنهم لا يعرفون ما هي التكاليف والفوائد المحتملة ، والشركات ببساطة تحلق تحت الرادار ، باستخدام بياناتك بالطريقة التي تريدها ، خائفة من “الانفجار سيحدث انفجار ، لذا من الأفضل رفع مستوى الوعي الآن والسماح للجميع باتخاذ قراراتهم الخاصة حول ما يرغبون في مشاركته ، وكيف وأين يتم استخدامه.
الفصل السابع: الغوريت الرئيسي ومعجرك الرقمي
إذا كنت تعتقد أنه لا يمكن أن يكون هناك العديد من الشركات التي لديها بيانات عنك ، فلنلق نظرة على جميع الأماكن التي يتم تسجيل بياناتك فيها: رسائل البريد الإلكتروني ، والمستندات المكتبية ، والنصوص, التغريدات وحسابات Facebook و LinkedIn وعمليات البحث على الويب والنقرات والتنزيلات والمشتريات عبر الإنترنت ؛ سجلات الائتمان والضرائب والهاتف والصحة الخاصة بك ؛ إحصائيات Fitbit الخاصة بك, قيادتك التي يتم تسجيلها بواسطة المعالجات الدقيقة لسيارتك ؛ تجوالك المسجل بواسطة هاتفك الخلوي ؛ جميع صورك التي التقطتها على الإطلاق ، بما في ذلك النقوش القصيرة على الكاميرات الأمنية ، وما إلى ذلك. بياناتك في كل مكان ، وعند دمجها ، يمكن أن تشكل هذه البيانات صورة دقيقة ومفصلة لك. ولكن ماذا يمكن أن يعني هذا لمستقبلك؟
لا يوجد متعلم اليوم لديه حق الوصول إلى كل هذه البيانات ، وحتى لو فعلت ذلك ، فلا يزال بإمكاننا التأكد من مدى دقتها. ولكن لنفترض أنك أخذت كل هذه البيانات وأعطيتها لخوارزمية رئيسية حقيقية جدًا ومستقبلية. في هذه الحالة ، يمكن للخوارزمية الرئيسية أن تتعلم نموذجًا لك ، ويمكنك بشكل أساسي حمل هذا النموذج في محرك الإبهام في جيبك لاستخدامه كما يحلو لك. يمكن أن تظهر لك هذه المرآة الرقمية أشياء عن نفسك لا تعرفها بعد. سيكون لديها القدرة على اقتراح عشرات الكتب فقط من السوق العالمية. يمكن أن تفعل الشيء نفسه للأفلام والموسيقى والألعاب والملابس والإلكترونيات والمزيد. لم يعد عليك البحث بلا نهاية عن العناصر التي ترغب في شرائها ، يمكن لهذه المرآة الرقمية اقتراح عناصر بناءً على نشاطك.
بالإضافة إلى ذلك ، يمكن أن تحافظ على ثلاجتك مخزنة في جميع الأوقات ، وتصفية بريدك الإلكتروني ، والبريد الصوتي ، ومشاركات Facebook ، وخلاصة Twitter ، وحتى الرد بشكل مناسب نيابة عنك. حتى أنه سيزيل القليل من الإزعاج في حياتك ، مثل التحقق من كشوف بطاقات الائتمان الخاصة بك ، والتنازع على الرسوم ، وتجديد الاشتراكات ، وملء الإقرارات الضريبية. سيجد علاجًا لمرضك ، ويديره طبيبك ، ويطلب ما تحتاجه من الصيدلية المحلية. حتى أنه سيقترح فرص عمل مثيرة للاهتمام وأماكن لقضاء العطلات ، ويقترح المرشحين المحتملين للتصويت على الاقتراع. وإذا كنت أعزبًا ، فقد يجد لك تاريخًا محتملاً. بعد تحديد المباراة ، ستتواصل مع النموذج الرقمي للتاريخ واختيار المطاعم التي قد ترغبان فيها.
في المستقبل ، يمكن للجميع الحصول على “نصف رقمي” آخر يتواصل مع أنفسهم الرقميين للآخرين. على سبيل المثال ، إذا كنت تبحث عن وظيفة وكانت شركة معينة مهتمة بك ، فإن نموذج الشركة سيجري مقابلة مع نموذجك, على غرار مقابلة وجها لوجه – لكنها لن تستغرق سوى جزء من الثانية. ستتمكن من النقر فوق “البحث عن وظيفة” في حساب LinkedIn المستقبلي الخاص بك ، وستجري مقابلة على الفور لكل وظيفة في الكون تناسب معلماتك ، مثل المهنة والموقع, ودفع. في عالم الخوارزمية الرئيسية ، يصبح “اطلب من شعبك الاتصال بشعبي” “اطلب من برنامجك الاتصال ببرنامجي في المستقبل ، ستكون نفسك الرقمية قادرة على القيام بكل ما لا تحتاج إليه ، مما يجعل حياتك أسهل وأكثر كفاءة.
الفصل الثامن: الملخص النهائي
الآن بعد أن عرفت أسرار التعلم الآلي ، فأنت تفهم الآن كيف يتم تحويل البيانات إلى معرفة. أنت تفهم ما يمكنها وما لا يمكنها فعله والتعقيدات الأساسية التي تجلبها. أنت تعرف ما تفعله شركات مثل Google و Facebook و Amazon والباقي بالبيانات التي تقدمها لهم بسخاء كل يوم ولماذا يمكنهم بسهولة العثور على أشياء لك ، وتصفية البريد العشوائي, واستمر في تحسين ما يقدمونه لك. ولكن ما زلنا لا نكتشف كل شيء ، وذلك لأن الخوارزمية الرئيسية غير موجودة بعد. نحن نعرف فقط كيف يمكن أن تبدو. لكن الخطوة الأولى هي معرفة الاحتمالات. ربما هناك شيء مفقود ، شيء لم يتم اكتشافه بعد. هذا هو المكان الذي تأتي فيه. الأمر متروك لنا لضمان سقوط الخوارزمية الرئيسية في اليد اليمنى ، ولهذا السبب يجب أن تكون مفتوحة المصدر ومشاركتها مع الجميع على الأرض. أخيرًا ، “قال نيوتن ذات مرة أنه شعر وكأنه صبي يلعب على شاطئ البحر ، يلتقط حصاة هنا وقذيفة هناك بينما كان محيط الحقيقة العظيم غير مكتشف أمامه. بعد ثلاثمائة عام ، جمعنا مجموعة مذهلة من الحصى والأصداف ، لكن المحيط الكبير غير المكتشف لا يزال يمتد إلى المسافة ، يتألق بالوعد. الهدية عبارة عن قارب – التعلم الآلي – وحان الوقت للإبحار